传感器常用算法

Ber_thaw99

一、在传感器使用中，我们常常需要对传感器数据进行各种整理，让应用获得更好的效果，以下介绍几种常用的简单处理方法：3 q" v" C: `4 M- |9 z* h# q& Q
$ B: g" [8 M+ }  E) k9 n0 V6 k" Y/ {3 y& i4 t4 u8 n
7 N* c/ F9 a4 b4 A  X+ H3 T* ~
1.加权平滑：平滑和均衡传感器数据，减小偶然数据突变的影响；- _& V7 J% @4 R
# K  h& y3 {/ Y2 T$ w2.抽取突变：去除静态和缓慢变化的数据背景，强调瞬间变化；! |) V; M' @/ e+ Y0 t. Y
, q, D. w" i( Z0 _# {4 A: m3.简单移动平均线：保留数据流最近的K个数据，取平均值；0 N5 U& M4 K, I1 `0 l
$ k8 \; F4 ~1 F7 W" K

二、加权平滑
使用算法如下：
7 e+ Y, p* W$ Z$ l（新值） = （旧值）*（1 - a） + X * a1 \- ]/ |3 S- p9 K
其中a为设置的权值，X为最新数据，程序实现如下：
float ALPHA = 0.1f;
public void onSensorChanged(SensorEvent event){
x = event.values[0];
! N5 ^, E3 X/ k" |0 ^y = event.values[1];2 a" a1 m7 ^+ O/ R) `4 B
z = event.values[2];
( L$ D0 P9 O3 ]0 y) G6 z" emLowPassX = lowPass(x,mLowPassX);0 K9 @  L. a$ L. G) s) ^( R
" d' f# }% q$ T$ ~9 {4 T  a% u. CmLowPassY = lowPass(x,mLowPassY);
mLowPassZ = lowPass(x,mLowPassZ);
. Y+ B! @" h+ s4 B( [0 @}
private float lowPass(float current,float last){$ n' ~% G% N( w. u# p! D
return last * (1.0f - ALPHA) + current * ALPHA;
}) ]3 m6 L6 A0 F8 j" p

( [& F' ^5 ?/ X7 S
7 o) r- ~8 ^& l) g4 S/ c( N三、抽取突变7 J5 r9 ?# C3 r' q
  u) ]5 m1 X' `- W2 V采用上面加权平滑的逆算法。
. X% C+ g. `" o4 W; i" V
" X# p& o0 @  [3 x5 _. v实现代码如下：" r; y( \( D$ M6 ~* w8 J. V
public void onSensorChanged(SensorEvent event){8 `. D) u+ @- k2 Q& l' _6 w, J
* {/ \! h( d/ e, }( h' h) X) h9 h7 pfinal float ALPHA = 0.8;: I$ e$ D, K" k- `4 q
gravity[0] = ALPHA * gravity[0] + (1-ALPHA) * event.values[0];
7 d, Q- a  x& j( S0 M: N1 igravity[1] = ALPHA * gravity[1] + (1-ALPHA) * event.values[1];! ~' ^, b. o! x8 u9 \5 m! \
4 ~' Z7 m: i4 V2 m- Y8 xgravity[2] = ALPHA * gravity[2] + (1-ALPHA) * event.values[2];
filteredValues[0] = event.values[0] - gravity[0];
1 r3 g1 O6 O3 {2 ?filteredValues[1] = event.values[1] - gravity[1];
filteredValues[2] = event.values[2] - gravity[2];
}


2 O6 w: ~, v; Y6 S四、简单移动平均线
2 m' ]2 G5 `. w% R" a保留传感器数据流中最近的K个数据，返回它们的平均值。k表示平均“窗口”的大小；8 W$ l2 i+ @, V8 O  ^! g
3 R8 d9 c  V0 z$ Y. T% `
实现代码如下：4 x: \8 C3 |9 E& F2 o" m0 k( D2 v
4 o& r6 u, T9 O5 k6 spublic class MovingAverage{
private float circularBuffer[]; //保存传感器最近的K个数据# E6 i& b1 m, Y. K! l
" v* |' U) Q! Dprivate float avg; //返回到传感器平均值
( [" n9 V8 X% J. rprivate float sum; //数值中传感器数据的和9 D, n6 y7 }/ J
1 \' e/ M7 M4 l  hprivate float circularIndex; //传感器数据数组节点位置
private int count;
" U$ I1 d6 {6 _9 S, zpublic MovingAverage(int k){- l' ]6 f- [5 r# C" e1 \( x' q
circularBuffer = new float[k];$ y2 ]( z8 Z: [  a( ~# b8 ~( A
count= 0;
circularIndex = 0;
avg = 0;
sum = 0;+ T, {( v4 g, t/ q% T  U1 H, R& I; ^. o
}
public float getValue(){& R9 |; d2 x% Y1 L$ S
return arg;
}2 n& X' X4 r, W8 G5 G2 E
4 r7 ]& c; r" ^0 lpublic long getCount(){5 _* @) \  M0 r; c2 v3 ]
% h1 _  ?( N: i: S+ y9 Zreturn count;; }, E+ k4 n% p" ^
}
- Z/ M/ E4 c3 x; q5 K) c# A9 `9 Uprivate void primeBuffer(float val){
  L0 r) |; w% G- {for(int i=0;i<circularbuffer.length;++i){
circularBuffer = val;$ G  k: m% _& k
sum += val;
}
% I' ]$ C. B- [& Y4 _}
private int nextIndex(int curIndex){
if(curIndex + 1 >= circularBuffer.length){! K3 }, K9 V# D1 G; M* I( k1 ~
4 f, Y3 p6 P* c4 f" Q% S% Greturn 0;! ~( f$ W6 ^0 x3 R8 G% K
' J% l& t) U2 x6 g) y}+ A4 d5 i7 S2 C$ }0 ~. X) T/ X6 J
+ T. ~/ p/ t  O$ jreturn curIndex + 1;
}0 n+ N! w6 i/ h+ \
) G* o7 f. W! U: l- [* hpublic void pushValue(float x){- S) n2 B2 s2 R7 i5 o: r# M2 v
if(0 == count++){
primeBuffer(x);% X9 ]& }& ?/ }( |! J0 Z3 z6 q
}/ k; D- m& B4 F6 h7 o' `' f) u
float lastValue = circularBuffer[circularIndex];
circularBuffer[circularIndex] = x; //更新窗口中传感器数据
, i( W1 [+ s- `( o* R; l# R; e( Ysum -= lastValue; //更新窗口中传感器数据和& j. U0 B" c' g
sum += x;% B6 l9 q& S% L  \( L3 O- X
3 H, e# H. ^. i9 x8 U& Q: pavg = sum / circularBuffer.length; //计算得传感器平均值* s6 d9 v) ]5 ?3 L
7 M3 I" [5 [8 b6 ScircularIndex = nextIndex(circularIndex);
7 F1 T5 |: v) H) F. s8 D}- h% h+ p+ O: X# F1 y  o% i* n
$ T+ L3 P% Z0 [& U}
- i1 Q6 o6 ~" I6 y  |* W% }& r% G" x) ]0 Q* \* i, m. J
! p$ z& d) X3 c' c% q9 t/ j) I" n! Q9 {- \  u8 v) i
五、备注
参考资料：《Android传感器高级编程》3 D+ Y0 p* [& p1 _; k3 g
) ~6 H& K: c) T